دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: 1 نویسندگان: Rudolf Kruse, Christian Borgelt, Frank Klawonn, Christian Moewes, Matthias Steinbrecher, Pascal Held (auth.) سری: Texts in Computer Science ISBN (شابک) : 1447150120, 9781447150138 ناشر: Springer-Verlag London سال نشر: 2013 تعداد صفحات: 482 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب هوش محاسباتی: مقدمه روش شناسی: هوش مصنوعی (شامل رباتیک)، کاربردی ریاضیات/روش های محاسباتی مهندسی
در صورت تبدیل فایل کتاب Computational Intelligence: A Methodological Introduction به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب هوش محاسباتی: مقدمه روش شناسی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب درسی/مرجع با ساختار واضح و تست شده در کلاس درس، مقدمه ای روشمند در زمینه CI ارائه می دهد. این کتاب با ارائه بینشی معتبر در مورد همه چیزهایی که برای کاربرد موفقیتآمیز روشهای CI ضروری است، مفاهیم اساسی و پیادهسازیهای عملی آنها را توضیح میدهد و پیشزمینه نظری پشتیبان راهحلهای پیشنهادی برای مشکلات رایج را توضیح میدهد. فقط دانش پایه ریاضی مورد نیاز است. ویژگی ها: مطالب تکمیلی الکترونیکی را در یک وب سایت مرتبط، از جمله توضیحات ماژول، اسلایدهای سخنرانی، تمرینات با راه حل ها و ابزارهای نرم افزاری ارائه می دهد. شامل مثال ها و تعاریف متعدد در سراسر متن است. ارائه بحث های مستقل در مورد شبکه های عصبی مصنوعی، الگوریتم های تکاملی، سیستم های فازی و شبکه های بیزی. آخرین رویکردها، از جمله بهینه سازی کلونی مورچه ها و مدل های گرافیکی احتمالی را پوشش می دهد. نوشته شده توسط تیمی از کارشناسان بسیار مورد توجه در CI، با تجربه گسترده در هر دو دانشگاه و صنعت.
This clearly-structured, classroom-tested textbook/reference presents a methodical introduction to the field of CI. Providing an authoritative insight into all that is necessary for the successful application of CI methods, the book describes fundamental concepts and their practical implementations, and explains the theoretical background underpinning proposed solutions to common problems. Only a basic knowledge of mathematics is required. Features: provides electronic supplementary material at an associated website, including module descriptions, lecture slides, exercises with solutions, and software tools; contains numerous examples and definitions throughout the text; presents self-contained discussions on artificial neural networks, evolutionary algorithms, fuzzy systems and Bayesian networks; covers the latest approaches, including ant colony optimization and probabilistic graphical models; written by a team of highly-regarded experts in CI, with extensive experience in both academia and industry.
Front Matter....Pages I-XI
Introduction....Pages 1-5
Front Matter....Pages 7-7
Introduction....Pages 9-13
Threshold Logic Units....Pages 15-35
General Neural Networks....Pages 37-46
Multi-Layer Perceptrons....Pages 47-81
Radial Basis Function Networks....Pages 83-103
Self-organizing Maps....Pages 105-120
Hopfield Networks....Pages 121-142
Recurrent Networks....Pages 143-155
Mathematical Remarks....Pages 157-164
Front Matter....Pages 165-165
Introduction to Evolutionary Algorithms....Pages 167-195
Elements of Evolutionary Algorithms....Pages 197-226
Fundamental Evolutionary Algorithms....Pages 227-274
Special Applications and Techniques....Pages 275-291
Front Matter....Pages 293-293
Fuzzy Sets and Fuzzy Logic....Pages 295-319
The Extension Principle....Pages 321-327
Fuzzy Relations....Pages 329-340
Similarity Relations....Pages 341-352
Fuzzy Control....Pages 353-387
Fuzzy Clustering....Pages 389-405
Front Matter....Pages 407-407
Introduction to Bayes Networks....Pages 409-413
Elements of Probability and Graph Theory....Pages 415-440
Decompositions....Pages 441-454
Evidence Propagation....Pages 455-468
Learning Graphical Models....Pages 469-477
Back Matter....Pages 479-490